针对矿井复杂环境导致的多径衰落、非视距通信及真实标签获取困难的问题，提出一种基于自监督学习（SSL）的井下智能反射面（IRS）辅助矿井通信系统信道估计方法。根据井下Nakagami-g衰落信道模型和IRS信号传输模型搭建井下通信系统模型，通过IRS技术解决多径衰落和非视距通信问题。通过最小二乘（LS）算法进行初步信道估计，再采用SSL框架下的八度卷积（OCT）神经网络优化信道估计结果。OCT直接对高频分量和低频分量进行处理，能同时捕捉信道的粗糙特征和细微差别，提供全面的信道信息，从而更准确地估计信道状态；SSL算法使用接收信号及其带噪版本作为训练数据，通过未标注数据的内在结构提升IRS辅助信道估计的精度和效率，从而降低对人工标签的依赖。仿真结果表明：① 引入IRS技术能有效降低信道估计误差。② OCT神经网络的损失值明显低于CNN，数据拟合效果更好；OCT神经网络计算效率高，可提高通信系统信道估计的整体性能；在计算资源有限的环境下，OCT神经网络可保持较低参数量和内存使用量。③ SSL算法在所有信噪比条件下均能保持较低的归一化均方误差，验证了其在信道估计中的高效性和鲁棒性。④ 基于SSL的IRS辅助矿井通信系统信道估计方法在大规模网络中具有较好的扩展性和鲁棒性。

0 引言
1方法原理
2井下通信系统模型
2.1 Nakagami-g模型
2.2 IRS信号传输模型
3 SSL框架下的OCT神经网络
3.1 OCT神经网络设计
3.2 SSL算法实现
4 仿真分析
4.1 IRS技术对信道估计的影响
4.2 OCT神经网络性能验证
4.3 SSL算法性能验证
4.4 大规模网络中的扩展性验证
5 结论

王安义,李新宇,李明珠,等.基于自监督学习的IRS辅助矿井通信系统信道估计方法[J/OL].工矿自动化,1-8[2024-09-05].https://doi.org/10.13272/j.issn.1671-251x.2024070038.